Erfaren salgsleder deler, hvordan man løser det dyreste salgsproblem med AI

Ankit Kedia har ledet B2B-salgsteams i teknologivirksomheder i 20 år. Han arbejder i øjeblikket som fraktioneret CRO og rådgiver.

Vi satte os ned med Ankit for at lære, hvordan han bruger AI til at løse det, han kalder »salgets dyreste problem«. Her er, hvad han sagde.

At frigøre mennesker til det arbejde, som kun mennesker kan udføre

Jeg hedder Ankit Kedia. Jeg arbejder som fraktioneret CRO og rådgiver og hjælper virksomheder med at gøre deres salg skalerbart i stedet for at være afhængigt af nogle få stjernerepræsentanter og en masse held.

Min vej hertil var ikke lige. Jeg er uddannet elektroingeniør fra NTU Singapore, og jeg har aldrig bygget et eneste elektrisk kredsløb. Jeg begyndte i stedet min karriere inden for finans: aktieanalyse, en handelsafdeling i en hedgefond og derefter private equity. Arbejdet var godt, men jeg blev ved med at lægge mærke til det samme i alle handler. De virksomheder, der vandt, vidste, hvordan man solgte. Så til sidst besluttede jeg mig for at gå ind i salg, og jeg har aldrig set mig tilbage.

De seneste 20 år har jeg opbygget og ledet B2B-salgsteams i Nordamerika, APAC og EMEA, solgt i 13 lande og været salgschef hos SurveyMonkey og DropThought. At sælge på så mange markeder lærer dig hurtigt, at mennesker er hele spillet. At arbejde i så mange lande lærte mig, at en salgstale, der lukker en aftale i San Francisco, måske ikke fungerer i Tokyo, og ingen metode kan redde dig; kun en forståelse af mennesket på den anden side af bordet hjælper.

Det bringer mig til AI, og for at være ærlig kom jeg sent i gang med det. Efter to årtier i salg begyndte jeg først for alvor at bruge disse værktøjer for et år siden. Men jeg har fundet ud af, at AI er en fremragende junior kollega. Det fjerner rutinearbejdet, skærper forberedelsen og giver mig tid tilbage, men det kan ikke deltage i møderne og vinde aftalen for os ved at opbygge kundens tillid. Den del er stadig vores, og jeg tror, det altid vil være sådan.

Så jeg ser ganske enkelt sådan på dette øjeblik: De ledere, der vinder, vil bruge AI til at frigøre deres medarbejdere til præcis det arbejde, som kun mennesker kan udføre.

Sådan forbedrer AI nøjagtigheden af aftalegennemgange

Jeg ændrede den måde, jeg gennemgår aftaler på. Det plejede at være den mest frustrerende time i min uge, og AI løste det i stilhed.

Tidligere foregik gennemgangen af salgspipelinen sådan her: En sælger fortalte mig, at en aftale ville blive lukket denne måned, og min mavefornemmelse sagde, at tallet var usikkert, men jeg kunne ikke bevise det. Sidste uges samtale levede i nogens hukommelse, CRM-systemet viste en faseopdatering uden nogen reel kontekst, og ingen havde nogensinde skrevet et mundtligt tilsagn ned fra to gennemgange tidligere.

Vi diskuterede ud fra optimisme, og prognosen blev alligevel udskudt. En undersøgelse fra Clari viste, at 57 % af unøjagtighederne i prognoserne kunne spores tilbage til forskellen mellem det, sælgerne sagde under samtalerne, og det, der faktisk kom ind i CRM-systemet. Det tal stemte præcis overens med det, jeg havde oplevet i 20 år.

Så jeg begyndte at bruge værktøjer til samtaleintelligens – primært Gong – til at hente sandheden ud af de faktiske samtaler i stedet for at stole på, hvad folk kunne huske. Disse værktøjer transskriberer alle kundesamtaler og markerer reelle risikosignaler. Derudover bruger jeg en AI-assistent til at stressteste salgspipelinen før hver gennemgang og fortælle mig klart, hvilke aftaler der ser reelle ud.

Takket være disse værktøjer opdager jeg aftaler, der er ved at glide, flere uger tidligere, mens der stadig er tid til at gøre noget ved dem, i stedet for på kvartalets sidste dag, hvor det er for sent.

Hvor grænsen skal trækkes for AI inden for omsætning

Men her er forbeholdet. AI træffer ikke den endelige vurdering; det lægger bare fakta på bordet hurtigere. At beslutte, hvad man skal gøre ved en vaklende aftale – det er stadig mennesket i stolen, der gør det, og sådan vil det altid være.

AI kan ikke fastlægge en prisstrategi. Det kan vise mig, hvad lignende aftaler blev lukket til, men prisfastsættelse af en stor virksomhedsaftale kræver en vurdering baseret på relationer og en forståelse af, hvor hårdt køberen har brug for løsningen.

Et andet område er alt, der involverer mennesker eller nuancerede vurderinger. Det omfatter coaching af en sælger, der har det svært, og at stole på en aftale, som din mavefornemmelse siger er forkert, selv når tallene ser fine ud. AI kan informere disse øjeblikke, men det kan ikke træffe beslutningen.

For at sige det enkelt lader jeg AI fortælle mig, hvad der sker, og hvor jeg skal kigge, men jeg lader det ikke beslutte, hvad jeg skal gøre ved det.

Årsagen er enkel. AI er fremragende til at identificere mønstre, men har svært ved at forstå kontekst. Det kan se, at en aftale ser risikabel ud, men det kan ikke vide, at køberen netop har mistet den budgetansvarlige, eller at den administrerende direktør er nervøs for at underskrive før bestyrelsesmødet, eller at en sælger kun er én ærlig samtale fra at få tingene vendt.

Omsætning er i sidste ende en række menneskelige beslutninger truffet under pres og usikkerhed, og dem er jeg ikke villig til at outsource.

En arbejdsgang til gennemgang af aftaler og coaching fra den virkelige verden

Jeg vil gennemgå min arbejdsgang til gennemgang af aftaler og coaching. Den har fire faser, og AI påvirker hver fase, men en menneskelig person træffer stadig beslutningerne.

1. Før samtalerne overhovedet finder sted: Når en sælger har en vigtig kommende samtale, samler værktøjerne alt det, der betyder noget: kontoens seneste nyheder, køberens rolle og historik samt hvor aftalen står, så sælgeren møder op velforberedt. Det krævede tidligere en times manuel research, men værktøjerne gør det nu til en læsning på to minutter.
2. Under og lige efter samtalen: Gong behandler alle kundesamtaler. Det optager, transskriberer og analyserer samtalen og skriver derefter vigtige oplysninger direkte ind i CRM-systemet: aftalens fase, de næste skridt og hvem der deltog. Det løser salgsorganisationens dyreste problem: Ingen husker mundtlige opdateringer, og pipelinebeslutninger gælder i flere kvartaler. Nu går intet tabt mellem det, der blev sagt, og det, der står i systemet.
3. Før min gennemgang: De samme værktøjer markerer automatisk reelle risikosignaler: en forkæmper, der er blevet tavs, en ny interessent, der pludselig er dukket op, eller en afslutningsdato, der allerede er blevet udskudt to gange. Derudover bruger jeg en AI-assistent, som regel Claude, til at analysere hele pipelinen og fortælle mig direkte, hvilke aftaler der er reelle, og hvilke vi håber at få til at eksistere. Derfor går jeg ind til hver gennemgang med viden om, hvor jeg skal presse på, i stedet for at opdage problemerne undervejs.
4. Efter gennemgangen: AI udarbejder udkast til opsummeringer og opgaver for de næste skridt ud fra den faktiske samtalekontekst, som sælgeren gennemgår og sender. Fordi alle samtaler bliver optaget, kan jeg coache ud fra det, der virkelig skete, og afspille det præcise øjeblik, hvor en sælger talte forbi en indvending, i stedet for at coache ud fra en andenhåndsopsummering. Det gør coachingen langt mere konkret.

Hvordan AI kan gøre det lettere at give efter for dovne vaner

De gode sider ved AI bliver ofte overvurderet, så her er det ærlige billede.

For det første har den største gevinst været tid og klarhed. Mine aftalegennemgange er nu baseret på dokumentation. Samtaler om prognoser er langt mindre følelsesladede. Forarbejdet, der tidligere tog et par timer, tager nu en brøkdel af tiden.

På tværs af de teams, jeg har arbejdet med, har mønstret været det samme: mindre tid på rapportering om pipelinen, mere tid på at arbejde med den.

Og nu til det dårlige, for der er rigeligt:

Den første fejl var at have for stor tillid til AI-scorerne. Tidligt i forløbet blev en aftale, som AI vurderede som sund, ikke til noget, fordi værktøjet ikke kunne se, at køberens forkæmper havde problemer med at overbevise det interne team. Tallene så fine ud lige indtil aftalen døde, og det lærte mig at betragte AI's sikkerhed som et udgangspunkt, men aldrig som en endelig dom.

Den anden er problemet med "ensartethed". Når alle automatiserer deres opsøgende kontakt med de samme værktøjer, begynder alt at lyde ens, og køberne lægger mærke til det. Jeg har set svarprocenterne på automatiseret opsøgende kontakt falde på tværs af branchen af netop denne grund. De teams, der læner sig hårdest op ad automatisering for at lyde personlige, ender ofte med at lyde mest generiske.

Den tredje er, at AI gør det meget let at føle sig produktiv, mens man undgår svære samtaler. Jeg har været nødt til at holde øje med det hos mig selv og i de teams, jeg coacher.

AI har altså gjort de dygtige medarbejdere mærkbart hurtigere og skarpere, men den har også gjort det lettere at give efter for dovne vaner. Den er en multiplikator for indtjeningsledere, og hvad den multiplicerer, afhænger fuldstændigt af dømmekraften hos den person, der bruger den.

Hvordan AI gør uhåndgribelige salgskompetencer lettere at lære

I det meste af min karriere troede jeg, at det bedste salgsarbejde næsten var håndværksmæssigt: instinktet til at aflæse et rum, den perfekt afstemte opfølgning, fornemmelsen for, hvornår man skal presse på, og hvornår man skal vente — alt det fandtes i hovedet på de få bedste medarbejdere, og man kunne egentlig ikke kopiere det.

Man kunne ansætte folk med det og træne det lidt, men for det meste håbede man bare på at finde flere af den slags sjældne mennesker. AI tvang mig imidlertid til at gentænke det.

For når man optager og analyserer hvert eneste opkald, bliver de ting, som ens bedste sælger gør, og som tidligere føltes som magi, synlige og konkrete. De præcise spørgsmål, de stiller tidligt, måden de håndterer en bestemt indvending på, hvordan de sætter tempoet ned i stedet for op, når en køber bliver stille — det er mønstre, og når man først ser dem klart, kan man lære resten af teamet dem på en måde, der aldrig før har været mulig.

Ankit deler

I det meste af min karriere troede jeg, at det bedste salgsarbejde næsten var håndværksmæssigt: AI tvang mig imidlertid til at gentænke det.

Så det, jeg havde afskrevet som et instinkt, man ikke kunne lære fra sig, viste sig i høj grad at være en række adfærdsmønstre, der kunne læres — jeg kunne bare ikke observere dem i stor skala før nu.

Og jeg siger ikke, at salg er blevet en formel. Den menneskelige dømmekraft på højeste niveau er stadig reel og stadig sjælden, men forskellen mellem ens bedste sælger og gennemsnitssælger er mindre og lettere at mindske, end jeg troede for 20 år siden. Meget af det, jeg plejede at kalde talent, var i virkeligheden bare synlighed, og nu har vi den.

Det er et oprigtigt håbefuldt skifte, og det ændrede min måde at tænke på at opbygge et team på.

Sådan forbedrer du AI-implementeringen i omsætningsteams

Jeg ville ønske, jeg havde vidst, at værktøjerne er den nemme del; den svære del er at få folk til at ændre den måde, de arbejder på.

Da jeg begyndte, begik jeg den klassiske fejl: Jeg gik ud fra, at gode AI-værktøjer automatisk ville skabe værdi. Køb softwaren, rull den ud, og se tingene blive bedre. Så jeg brugte al min energi på at vælge de rigtige platforme og næsten ingen på de mennesker, der skulle bruge dem.

Men det, der skete, er det, der sker for de fleste teams. Teams tog værktøjerne i brug på papiret, men ignorerede dem i praksis. Sælgerne fortsatte med at arbejde, som de altid havde gjort, lod de smarte AI-funktioner stå urørte, og nogle få blev frustrerede over det hele og så det som noget, der blev gjort mod dem, snarere end for dem.

Hvis jeg havde forstået det fra begyndelsen, ville jeg have vendt rækkefølgen helt om. Jeg ville have brugt langt mindre tid på at bekymre mig om, hvilket værktøj jeg skulle købe, fordi de fleste seriøse værktøjer er gode nok, og langt mere tid på selve forandringen. På at inddrage teamet tidligt, vise hver person, hvordan det gør deres arbejdsdag lettere, i stedet for blot at gøre deres leders rapportering mere overskuelig, og på at vælge én eller to arbejdsgange, som vi skulle få helt på plads, før vi lagde flere oveni.

Fem råd til CROs

Hvad angår råd, er her et par ting, jeg ville ønske, nogen havde fortalt mig tidligere.

1. Tag AI til dig offensivt, men definér tydeligt, hvad formålet er. Resultaterne er reelle, og CROs, der ignorerer disse værktøjer, vil sakke bagud i forhold til dem, der bruger dem. AI giver hastighed og klarhed, ikke en erstatning for dømmekraft. Brug det til at få hurtigere overblik over din pipeline, forberede dig bedre og frigøre dit team fra rutinearbejde.
2. Skær ikke ned på dit team og kald det en AI-strategi. AI skal gøre dine dygtige medarbejdere mere effektive; det må ikke være en undskyldning for at miste dem. Hvis din plan er at erstatte mennesker, har du misforstået, hvor aftaler bliver vundet.
3. Beskyt jer mod ensartethed. Når alle på dit marked bruger de samme værktøjer til at automatisere opsøgende salg, nærmer resultaterne sig hinanden, og køberne lukker af. Vindende teams vil bruge AI til at købe tid tilbage og derefter bruge den på at være mere menneskelige, mere nærværende og oprigtigt mere nyttige for køberne end konkurrenterne.
4. Coach dit team gennem forandringen i stedet for bare at give dem værktøjer. De fleste sælgere bruger knap nok den AI, der allerede findes i deres værktøjsstak. At købe softwaren er den nemme del; at få folk til at ændre den måde, de arbejder på, er den egentlige opgave, og det er et ledelsesproblem.
5. Hold dig selv tæt på aftalerne. Som leder er det fristende at køre alting gennem dashboards nu, fordi de er bedre end nogensinde, men det bedste signal er stadig en reel samtale med en reel køber. Lad ikke værktøjerne skabe afstand mellem dig og dit faktiske ansvar.

Følg med

Du kan følge Ankit Kedias arbejde på LinkedIn, X og Instagram.

Flere ekspertinterviews kommer på The CRO Club!